重新审视目标检测中的兄弟头

“分类和定位的共享头”（兄弟头），首次在Fast RCNN中提出，在过去五年中一直引领着目标检测社区的潮流。本文观察到兄弟头中两个目标函数之间的空间错位会严重影响训练过程，但这种错位可以通过一个非常简单的操作符——任务感知空间解耦（TSD）来解决。考虑到分类和回归，TSD通过为它们生成两个解耦的提议，将它们从空间维度解耦，这些提议由共享提议进行估计。这一设计灵感来源于一个自然的观点：对于一个实例，某些显著区域的特征可能包含丰富的分类信息，而边界周围的特征在边界框回归上可能更有效。令人惊讶的是，这一简单设计能够在MS COCO和Google OpenImage上将所有基础网络和模型的mAP均提升约3%。此外，我们提出了一种渐进约束，以扩大解耦提议与共享提议之间的性能差距，进一步获得约1%的mAP提升。我们展示TSD在当前单模型检测器的上限突破了一个大幅度（ResNet-101达到mAP 49.4，SENet154达到51.2），并且是我们在2019年Google OpenImage挑战赛中获胜方案的核心模型。